一,了解python爬虫
网络爬虫(又被称为网页蜘蛛,网络机器人),是一种按照一定的规则,自动地抓取万维网信息的程序或者脚本。另外一些不常使用的名字还有蚂蚁、自动索引、模拟程序或者蠕虫。
通俗地讲,我们把互联网比作一张大蜘蛛网,每个站点资源比作蜘蛛网上的一个结点,爬虫就像一只蜘蛛,按照设计好的路线和规则在这张蜘蛛网上找到目标结点,获取资源。
二、明确了爬虫所需的库
请求库:urllib/re/requests
(1) urllib/re是python默认自带的库
(2) requests安装
2.1 打开CMD,输入 pip3 install requests
2. 解析库:lxml (XPATH)
三、项目实现
实现了对各种网站的爬取,包含小说、图片、以及文本文件的写入,实现了各种网站的尝试,其中包含乔布斯排行榜、豆瓣评分排名的爬取,小说网某本的爬取,其中受益良多,明确知道url 请求资源等各种概念。下面附完成项目,代码仅供学习
import requests
import re
from bs4 import BeautifulSoup
count_error = [] #记录无效的网址
def setSrr(url):
#判断网址是否有效,如果无效就打印错误并返回。
if(requests.get(url).status_code == 404):
print('error')
global count_error
count_error.append(url) #把错误网址加入到列表
return []
print('开始下载……')
l = [] #定义列表用来保存小说内容
r = requests.get(url, timeout=5) # 获取链接
r.raise_for_status() # 检查状态
r.encoding = r.apparent_encoding # 改变编码形式
html = r.text # 获取文本
#html = request.urlopen(url).read() #读取网页中所有的内容
soup = BeautifulSoup(html, "html.parser")
item = soup.findAll('h2') #h2里面是章节标题
#这一步的根据是查看网站源码,找到所需要爬去的内容
print('this......', str(item)) #打印章节标题处的源码
title = re.match(r'.*<h2><font color="#dc143c">(.*)</font></h2>.*', str(item) ,re.M|re.I) #用正则表达式提取出章节标题
print('title:', title.group(1)) #打印标题,看是否正确
l.append(title.group(1)) #标题加入到列表
#提取本章节小说内容部分源码,然后剔除源码部分<p>和</p>
strings = soup.findAll('p')[0].__str__().strip('<p>').strip('</p>')
#print(strings)
#提取出来的字符串按段落切分,然后加到列表中
l += map(lambda x: x.rstrip(), strings.split('<br/>'))
#返回爬去到的内容
return l
#内容写到文件上
def setDoc(l, file):
if len(l) < 2:
return
#追加方式打开文件,并写入文件。
with open(file, 'a', encoding='utf-8') as f:
for i in l:
f.write('\t' + i)
f.write('\n')
def setNewUrl():
urls = [] #所有要爬取的网址
#《昆仑》中第一章和最后一章网址数字的差是109,所以有110个网址,生成网址列表返回。
for s in range(0, 110):
url = "https://www.kanunu8.com/wuxia/201102/1718/" + str(38407 + s) + ".html"
urls.append(url)
return urls
if __name__ == '__main__':
urls = setNewUrl()
file = '昆仑.txt'
#setSrr(urls[0])
#爬取每一个网址里面的内容
for url in urls:
l = setSrr(url)
setDoc(l, file)
#打印不存在的网址数量和网址
print(len(count_error))
print(count_error)
#最后发现110个网址,有30个无法访问,《昆仑》正好80章。
总结:明确了爬虫的基本概念,实现了爬虫的一些基本功能,能够高效的完成自己的工作,通过这几篇爬虫的练习,基本明确html页面中如何获取相关数据,学会看懂获取的代码,明确自己想要爬取的内容,但是爬虫的道路还需要长时间的学习,不断来巩固自己的学习成果,还需要我们不断学习新的爬虫机制,防止反爬取等一系列模块的学习。从而实现更高的目标。